在最近的智能交通世界中，车辆自组织网络 (VANET) 正在成为有前途和流行的技术。 它们用于提供智能交通系统 (ITS)、高效交通信息系统 (TIS) 和生命安全。 车辆的移动性和网络中连接的易变性使 VANET 容易受到许多安全威胁。 黑洞攻击是安全威胁之一，其中节点以这样一种方式向其他车辆展示自己，即它拥有到达目的地的最新鲜和最短路径。 因此，在本研究论文中，提出了一种检测和预防车载自组织网络 (VANET) 中的黑洞攻击的有效方法。 提出的解决方案是在 AODV（Ad hoc On demand Distance Vector）路由协议上实现的，该路由协议是 VANET 最流行的路由协议之一。 所提出的策略可以在路由发现的早期阶段检测到单个和合作黑洞攻击。 在 NS-2 上进行仿真，并将所提出方案的结果与基本 DYMO 路由协议进行比较，该结果在各种网络性能指标上进行了检查，例如数据包传递率、吞吐量和端到端延迟。 发现的结果表明该方法的效率，因为网络的传输率和端到端延迟在黑洞攻击下没有恶化。

最初的React式协议不是针对路由发现过程中高度移动性的特性而设计的。 由于对 VANET 的动态修改，这经常由于故障而发生变化，从而导致过度广播和淹没整个网络，以便发现新的路由。 此外，路由的初始阶段需要一些时间，而这种延迟很容易改变一切。 由于这些原因，典型的React式协议，以其当前的格式，并不完全适用于时间关键的应用程序，例如合作避碰 (CCA)。 协同防撞是 VANET 中一类重要的安全应用，其目的是使用车对车 (V2V) 通信向驾驶员提供早期警告 [13]。 Ad Hoc On Demand Distance Vector (AODV) 是一种React式路由协议，具有单播和多播两种功能。 在 AODV 中，与所有React式协议一样，拓扑信息仅由节点按需传输。 当源有东西要发送时，它最初会传播中间节点转发的 RREQ 消息，直到到达目的地。 如果接收方是使用所请求地址的节点

在MATLAB中模拟VANET 车辆专用网络（VANET）基于车辆之间的V2V通信以及车辆与路边基础设施之间的V2I通信。 车辆机动性是VANET设计中的主要挑战。 该项目为您提供了有关车辆移动性及其对VANET网络密度和V2V / V2I连接性的影响的基本见解。 该项目包括两个部分： 在第一部分中，您将找到一种类型的车辆移动性（高速公路移动性）的仿真，以评估在不同道路交通流量下可用于V2V连接的网络密度。 在第二部分中，您将找到一个基本图形工具的仿真，该工具可以可视化和评估两种类型的用户指定的VANET场景：（i）四路街道交叉口的V2V通信； （ii）车辆与已部署的RSU之间的V2I通信。

GatcomSUMO是一个多平台应用程序，可使用SUMO交通模拟器和OMNeT ++网络模拟器促进VANET仿真的构建。 与真实或抽象场景的生成，基于真实地图（例如，来自OpenStreetMap）的网络场景的下载和转换，路线创建过程以及车辆机动性建模相关的任务都集成在用户友好的图形界面中。 该工具通过调用SUMO中包含的一组实用程序来执行必要的操作，从而使用户不必键入复杂的命令行命令。 GatcomSUMO可以轻松可视化网络和路由，并且它们的创建方式可以满足相关仿真器（尤其是OMNeT ++）的要求，以避免产生误解和运行时错误。 该应用程序允许将SUMO使用的空间坐标转换为OMNeT ++使用的空间坐标，这对于放置RSU等固定元素至关重要。

This paper focuses on the routing protocol for driving safety that vehicle collects state message from roadside sensors in VANET-WSN. Routing Protocol for Low Power and Lossy Networks (RPL), a tree-based routing protocol, adapts naturally to our routing requirement. But RPL is designed for static wireless sensor network, so we need to modify RPL to fit in with high dynamic topology of VANET-WSN. For the first time, we utilize Geographical Information (GI) as the metric for RPL (GI-RPL), which lets RPL in a timely fashion. We also propose some strategies for tuning RPL in VANET-WSN. To demonstrate the performance of GI-RPL, we set up a simulation by using Cooja and compare with another modified RPL. The result of simulation shows that GI-RPL has high Package Delivery Ratio (PDR), reasonable overhead and low delay.

车载自组网(VANET)技术介绍.pdf

行业分类-电信-一种基于车流量密度的VANET稀疏连通问题解决方法.rar

静脉-健身房 Veins-Gym将Veins模拟导出为Open AI Gyms。 这使得强化学习算法的应用能够解决VANET域中的问题，特别是诸如Tensorflow或PyTorch之类的流行框架。 执照 该项目根据GNU通用公共许可证2.0的条款获得许可。

集群库 VANET 聚类算法选择的实现，用 C++ 编写，用于 OMNeT++ 支持的聚类算法： - Modified Distributed Mobility-Aware Clustering (MDMAC), by Wolny et al. Class name: MdmacNetworkLayer - Adaptive Mobility-Aware Clustering Algorithm with Destination (AMACAD), by Morales et al. Class name: AmacadNetworkLayer - Robust Mobility Adaptive Clustering (RMAC), by Goonewardene et al. Class name: RmacNetworkLayer - Channel and Rou

此代码实现了 VANET 5G 中的高速公路移动场景。 MATLAB 用于对此进行仿真。 到目前为止，MATLAB 中没有此类代码可供学者社区使用。 描述可以在https://free-thesis.com/product/highway-scenario-generation-in-vanet/查看